推荐系统中的冷启动问题研究综述

推荐系统能够快捷、准确地定位用户真正需要的信息,解决网络信息过载问题。其中协同过滤推荐技术是推荐系统应用最广泛和成功的技术,但该技术面临冷启动问题的挑战。本文分析冷启动问题的产生原因,阐述研究冷启动问题的意义,重点总结解决冷启动问题的算法现状,分析比较它们的性能差异和各自存在的优缺点,从而便于使用者在解决冷启动问题时对算法的选择和使用。     

关于二次重启

二次重启是件比较闹心的事情,虽然主机只是会在第一次冷启动后间隔数秒无反应,然后突然再次启动才能顺利进入操作系统,不会影响到正常使用,但这毕竟是个非正常状态。而有的用户的二次重启现象会更麻烦,按下Power键后黑屏无响应,只有按下Reset键后才能启动电脑。     

复合型高分子自限温发热材料及元器件在汽车冷启动方面的应用

采用HDPE／CB复合型高分子自限温发热材料制备了适于在汽车上使用的自限温加热带、发热管及相应的加热器，通过实验室模拟试验，研究了加热器的电热特性。在冬季的柴油车冷启动试验表明，组合加热装置对柴油车的冷启动及正常运行非常奏效，所研制的复合型高分子自限温发热材料及元器件用于汽车领域是可行的。     

基于改进降噪自动编码器的点击率预测

点击率(CTR)预测是个性化广告和推荐系统中的一项基本任务. 针对提升点击率预测效果和处理冷启动问题, 本文中提出了一种基于改进降噪自动编码器的点击率预测模型ADVAE (ADditional Variational AutoEncoder),该模型在输入数据加入高斯随机噪声, 利用改进的降噪自动编码器生成新的嵌入特征, 然后分别进行低阶和高阶的特征交互来预测用户点击行为. 该方法可以在数据稀疏以及系统冷启动情况下, 更深层地学习特征嵌入与交叉之间的关系. 该模型关注特征域之间的交互, 动态修复低频数据的特征嵌入, 具有更强的鲁棒性. 此外, 该方法可以动态应用到其他深度学习模型, 具有更高的灵活性. 实验结果表明, 该方法在点击率预测和系统冷启动问题上的性能表现均优于现有方法.     

基于知识图谱和Bi-LSTM的推荐算法

目前现有基于模型的推荐算法多是将评分数据输入到深度学习模型中进行训练,得出推荐结果。其缺陷在于无法对预测结果进行可解释性分析。除此之外,无法有效地解决算法的冷启动问题。因此,本文提出一种基于知识图谱和Bi-LSTM的推荐算法,来有效解决算法的可解释性和冷启动问题。首先将获取到的数据集进行预处理,生成预编码向量,根据数据集结点的连接性,构建专业领域知识图谱。其次利用知识图谱的元路径提取技术获取到多条用户-物品路径信息,将其输入到Bi-LSTM中,在路径经过的各结点处加入一层注意力机制,目的是为了模型能够有效地获取到较远结点的信息。最后将多条路径的训练结果输入到平均池化层中,用以区分不同路径的重要程度,利用交叉熵损失函数对模型进行训练,从而得出预测结果。实验结果表明,与传统基于循环神经网络模型的推荐算法相比,该算法可有效地提升算法的可解释性以及预测准确性,并缓解算法的冷启动问题。     

燃料电池发动机冷启动进气预热系统性能研究

为了分析冷启动过程中质子交换膜燃料电池发动机的空气加热系统的工作性能,采用ε-NTU方法和CFD仿真技术得到了双流程换热器内部的温度分布,研究了冷却液温度和流量对整体散热器的换热性能的影响。通过比较发现模拟值与测试数据的误差小于10%,表明仿真模型和采用多孔介质模型的研究方法的可行性。根据仿真结果,采用遗传算法得到了该系统采用的铝制散热器的冷却液的最优参数组合,研究结果为优化空气预热系统,提高散热器的冷却效率提供了指导。     

基于用户分类的隐含因子模型研究*

针对现有隐含因子模型存在的新用户和项目的冷启动问题,提出基于用户分类的隐含因子模型,将用户分类信息融入到隐含因子的矩阵分解当中,先在原评分矩阵和用户分类信息的基础上使用指示函数和数据归一化等方法构建一个分类评分矩阵,再将分类评分矩阵融入到隐含因子模型的评分预测中。通过与传统隐含因子模型等方法在多个不同隐含因子个数上的实验比较分析,实验结果表明,改进模型能够不仅能解决新用户和项目的冷启动问题,还能有效降低预测评分的均方根误差,并提高预测推荐的准确度。     

风冷金属双极板燃料电池冷启动性能研究

风冷金属双极板质子交换膜燃料电池因其结构简单,响应快等特点,广泛应用在便携式电源上,冷启动是制约风冷金属双极板燃料电池商业发展的一个重要影响因素.提出了一种在风冷金属双极板燃料电池阴极流道铺设电阻丝预热冷启动方案.结果表明:通过电阻丝加热,电池在3 min之内从-40℃升温至冰点以上.采用交叉布置方式的电热丝热量利用效率高,加密单层电热丝铺设数量以及加密端板附近的电热丝铺设层数均对电堆整体温升均匀性有重要意义.     

利用交叉推荐模型解决用户冷启动问题

用户冷启动是推荐系统的一个重要问题。传统的推荐系统使用迁移学习的方法来解决这个问题,即利用一个领域的评分信息或者标签预测另外一个领域的用户和物品评分。上述迁移学习模型通常假设两个领域没有重叠的用户和物品,与上述假设不同,很多情况下系统可以获取同一用户在不同领域的数据。针对这种数据,提出一种新的推荐系统冷启动模型—cross SVD&GBDT(CSGT),通过有效利用重叠用户的信息来解决用户冷启动问题。具体地,首先提出新模型获取用户和物品的特征,然后利用GBDT模型进行训练。实验数据表明,在豆瓣数据集中corss SVD&GBDT可以得到比传统方法性能更高、鲁棒性更强的实验结果。     

基于综合相似度和社交标签的推荐算法

针对传统个性化推荐方法所面临的冷启动、数据稀疏等问题,本论文结合了项目组的前期研究,在综合考虑用户特征和用户信任度的基础上,引入了用户兴趣,形成综合相似度.针对目前推荐系统中评分数据较少的问题,论文结合了社交标签,丰富了推荐数据.首先利用综合相似度,找到用户的相似近邻,并将相似近邻所标注的标签形成一个标签集.其次利用基于标签的推荐算法,产生最终的推荐列表.实验结果表明,该算法能够有效提高推荐的准确率和召回率.